學Python，想必大家都是從爬蟲開始的吧。畢竟網上類似的資源很豐富，開源項目也非常多。

Python學習網路爬蟲主要分3個大的版塊：抓取，分析，存儲

當我們在瀏覽器中輸入一個url後回車，後台會發生什麼？

簡單來說這段過程發生了以下四個步驟：

查找域名對應的IP地址。

向IP對應的伺服器發送請求。

伺服器響應請求，發回網頁內容。

瀏覽器解析網頁內容。

？

那麼學習爬蟲需要掌握哪些庫呢

通用：

urllib -網路庫(stdlib)。

requests -網路庫。

grab – 網路庫（基於pycurl）。

pycurl – 網路庫（綁定libcurl）。

urllib3 – Python HTTP庫，安全連接池、支持文件post、可用性高。

httplib2 – 網路庫。

RoboBrowser – 一個簡單的、極具Python風格的Python庫，無需獨立的瀏覽器即可瀏覽網頁。

MechanicalSoup -一個與網站自動交互Python庫。

mechanize -有狀態、可編程的Web瀏覽庫。

socket – 底層網路介面(stdlib)。

Unirest for Python – Unirest是一套可用於多種語言的輕量級的HTTP庫。

hyper – Python的HTTP/2客戶端。

PySocks – SocksiPy更新並積極維護的版本，包括錯誤修復和一些其他的特徵。作為socket模塊的直接替換。

網路爬蟲框架

功能齊全的爬蟲

grab – 網路爬蟲框架（基於pycurl/multicur）。

scrapy – 網路爬蟲框架（基於twisted），不支持Python3。

pyspider – 一個強大的爬蟲系統。

cola – 一個分散式爬蟲框架。

其他

portia – 基於Scrapy的可視化爬蟲。

restkit – Python的HTTP資源工具包。它可以讓你輕鬆地訪問HTTP資源，並圍繞它建立的對象。

demiurge – 基於PyQuery的爬蟲微框架。

HTML/XML解析器

通用

lxml – C語言編寫高效HTML/ XML處理庫。支持XPath。

cssselect – 解析DOM樹和CSS選擇器。

pyquery – 解析DOM樹和jQuery選擇器。

BeautifulSoup – 低效HTML/ XML處理庫，純Python實現。

html5lib – 根據WHATWG規範生成HTML/ XML文檔的DOM。該規範被用在現在所有的瀏覽器上。

feedparser – 解析RSS/ATOM feeds。

MarkupSafe – 為XML/HTML/XHTML提供了安全轉義的字元串。

xmltodict – 一個可以讓你在處理XML時感覺像在處理JSON一樣的Python模塊。

xhtml2pdf – 將HTML/CSS轉換為PDF。

untangle – 輕鬆實現將XML文件轉換為Python對象。

清理

Bleach – 清理HTML（需要html5lib）。

sanitize – 為混亂的數據世界帶來清明。

文本處理

用於解析和操作簡單文本的庫。

通用

difflib – （Python標準庫）幫助進行差異化比較。

Levenshtein – 快速計算Levenshtein距離和字元串相似度。

fuzzywuzzy – 模糊字元串匹配。

esmre – 正則表達式加速器。

ftfy – 自動整理Unicode文本，減少碎片化。

自然語言處理

處理人類語言問題的庫。

NLTK -編寫Python程序來處理人類語言數據的最好平台。

Pattern – Python的網路挖掘模塊。他有自然語言處理工具，機器學習以及其它。

TextBlob – 為深入自然語言處理任務提供了一致的API。是基於NLTK以及Pattern的巨人之肩上發展的。

jieba – 中文分詞工具。

SnowNLP – 中文文本處理庫。

loso – 另一個中文分詞庫。

瀏覽器自動化與模擬

selenium – 自動化真正的瀏覽器（Chrome瀏覽器，火狐瀏覽器，Opera瀏覽器，IE瀏覽器）。

Ghost.py – 對PyQt的webkit的封裝（需要PyQT）。

Spynner – 對PyQt的webkit的封裝（需要PyQT）。

Splinter – 通用API瀏覽器模擬器（selenium web驅動，Django客戶端，Zope）。

多重處理

threading – Python標準庫的線程運行。對於I/O密集型任務很有效。對於CPU綁定的任務沒用，因為python GIL。

multiprocessing – 標準的Python庫運行多進程。

celery – 基於分散式消息傳遞的非同步任務隊列/作業隊列。

concurrent-futures – concurrent-futures 模塊為調用非同步執行提供了一個高層次的介面。

非同步

非同步網路編程庫

asyncio – （在Python 3.4 +版本以上的 Python標準庫）非同步I/O，時間循環，協同程序和任務。

Twisted – 基於事件驅動的網路引擎框架。

Tornado – 一個網路框架和非同步網路庫。

pulsar – Python事件驅動的並發框架。

diesel – Python的基於綠色事件的I/O框架。

gevent – 一個使用greenlet 的基於協程的Python網路庫。

eventlet – 有WSGI支持的非同步框架。

Tomorrow – 非同步代碼的奇妙的修飾語法。

隊列

celery – 基於分散式消息傳遞的非同步任務隊列/作業隊列。

huey – 小型多線程任務隊列。

mrq – Mr. Queue – 使用redis & Gevent 的Python分散式工作任務隊列。

RQ – 基於Redis的輕量級任務隊列管理器。

simpleq – 一個簡單的，可無限擴展，基於Amazon SQS的隊列。

python-gearman – Gearman的Python API。

雲計算

picloud – 雲端執行Python代碼。

dominoup.com – 雲端執行R，Python和matlab代碼

網頁內容提取

提取網頁內容的庫。

HTML頁面的文本和元數據

newspaper – 用Python進行新聞提取、文章提取和內容策展。

html2text – 將HTML轉為Markdown格式文本。

python-goose – HTML內容/文章提取器。

lassie – 人性化的網頁內容檢索工具

WebSocket

用於WebSocket的庫。

Crossbar – 開源的應用消息傳遞路由器（Python實現的用於Autobahn的WebSocket和WAMP）。

AutobahnPython – 提供了WebSocket協議和WAMP協議的Python實現並且開源。

WebSocket-for-Python – Python 2和3以及PyPy的WebSocket客戶端和伺服器庫。

DNS解析

dnsyo – 在全球超過1500個的DNS伺服器上檢查你的DNS。

pycares – c-ares的介面。c-ares是進行DNS請求和非同步名稱決議的C語言庫。

計算機視覺

OpenCV – 開源計算機視覺庫。

SimpleCV – 用於照相機、圖像處理、特徵提取、格式轉換的簡介，可讀性強的介面（基於OpenCV）。

mahotas – 快速計算機圖像處理演算法（完全使用 C++ 實現），完全基於 numpy 的數組作為它的數據類型。

代理伺服器

shadowsocks – 一個快速隧道代理，可幫你穿透防火牆（支持TCP和UDP，TFO，多用戶和平滑重啟，目的IP黑名單）。

tproxy – tproxy是一個簡單的TCP路由代理（第7層），基於Gevent，用Python進行配置。

web開發的一些框架

1.Django

Django是一個開源的Web應用框架，由Python寫成，支持許多資料庫引擎，可以讓Web開發變得迅速和可擴展，並會不斷的版本更新以匹配Python最新版本，如果是新手程序員，可以從這個框架入手。

2.Flask

Flask是一個輕量級的Web應用框架, 使用Python編寫。基於 WerkzeugWSGI工具箱和 Jinja2模板引擎。使用 BSD 授權。

Flask也被稱為 「microframework」 ，因為它使用簡單的核心，用 extension 增加其他功能。Flask沒有默認使用的資料庫、窗體驗證工具。然而，Flask保留了擴增的彈性，可以用Flask-extension加入這些功 能：ORM、窗體驗證工具、文件上傳、各種開放式身份驗證技術。

3.Web2py

Web2py是一個用Python語言編寫的免費的開源Web框架，旨在敏捷快速的開發Web應用，具有快速、可擴展、安全以及可移植的資料庫驅動的應用，遵循LGPLv3開源協議。

Web2py提供一站式的解決方案，整個開發過程都可以在瀏覽器上進行，提供了Web版的在線開發，HTML模版編寫，靜態文件的上傳，資料庫的編寫的功能。其它的還有日誌功能，以及一個自動化的admin介面。

4.Tornado

Tornado即是一個Web server（對此本文不作詳述），同時又是一個類web.py的micro-framework，作為框架Tornado的思想主要來源於Web.py，大家在Web.py的網站首頁也可以看到Tornado的大佬Bret Taylor的這麼一段話（他這裡說的FriendFeed用的框架跟Tornado可以看作是一個東西）：

「[web.py inspired the] Web framework we use at FriendFeed [and] the webapp framework that ships with App Engine…」

因為有這層關係，後面不再單獨討論Tornado。

5.CherryPy

CherryPy是一種用於Python的、簡單而非常有用的Web框架，其主要作用是以儘可能少的操作將Web伺服器與Python代碼連接，其功能包括內置的分析功能、靈活的插件系統以及一次運行多個HTTP伺服器的功能，可與運行在最新版本的Python、Jython、Android上。

關於框架的選擇誤區

在框架的選擇問題上，許多人很容易就陷入了下面兩個誤區中而不自知：哪個框架最好——世上沒有最好的框架，只有最適合你自己、最適合你的團隊的框架。編程語言選擇也是一個道理，你的團隊Python最熟就用Python好了，如果最熟悉的是Ruby那就用Ruby好了，編程語言、框架都只是工具，能多、快、好、省的幹完活就是好東西。

過分關注性能——其實大部分人是沒必要太關心框架的性能的，因為你開發的網站根本就是個小站，能上1萬的IP的網站已經不多了，上10萬的更是很少很少。在沒有一定的訪問量前談性能其實是沒有多大意義的，因為你的CPU和內存一直就閑著呢。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！